論文の概要: Firms Default Prediction with Machine Learning

• arxiv url: http://arxiv.org/abs/2002.11705v1
• Date: Mon, 17 Feb 2020 10:09:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-31 13:10:39.542558
• Title: Firms Default Prediction with Machine Learning
• Title（参考訳）: 機械学習による企業のデフォルト予測
• Authors: Tesi Aliaj and Aris Anagnostopoulos and Stefano Piersanti
• Abstract要約: 企業が財政難に悩まされ、倒産するかもしれないという前兆が、Emphaultaultでゆるやかに語られている。 我々の知る限りでは、イタリア中央銀行信用登録簿(イタリア語版)の非常に大きな信用データのデータベースを初めて使用しています。 アンサンブル技術と無作為林は,バルボサらの発見を裏付ける最良の結果をもたらすことが判明した。
• 参考スコア（独自算出の注目度）: 3.8415806547786735
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Academics and practitioners have studied over the years models for predicting firms bankruptcy, using statistical and machine-learning approaches. An earlier sign that a company has financial difficulties and may eventually bankrupt is going in \emph{default}, which, loosely speaking means that the company has been having difficulties in repaying its loans towards the banking system. Firms default status is not technically a failure but is very relevant for bank lending policies and often anticipates the failure of the company. Our study uses, for the first time according to our knowledge, a very large database of granular credit data from the Italian Central Credit Register of Bank of Italy that contain information on all Italian companies' past behavior towards the entire Italian banking system to predict their default using machine-learning techniques. Furthermore, we combine these data with other information regarding companies' public balance sheet data. We find that ensemble techniques and random forest provide the best results, corroborating the findings of Barboza et al. (Expert Syst. Appl., 2017).
• Abstract（参考訳）: 学者や実践者は、統計学と機械学習のアプローチを用いて、企業破産を予測するためのモデルを長年にわたって研究してきた。 以前、ある会社が財政難に陥り、最終的に破産する可能性があるという兆候は \emph{default} であり、緩やかに言えば、同社は銀行システムに対するローンの返済に苦労していることを意味する。 企業のデフォルト状態は技術的には失敗ではなく、銀行の融資政策に非常に関係しており、しばしば会社の失敗を予想している。 我々の知る限りでは、イタリア中央銀行(Central Credit Register of Italian Bank of Italy)による、イタリアの銀行システム全体に対する過去の行動に関する情報を含む、非常に大規模な信用データのデータベースが、マシンラーニング技術を使ってデフォルトを予測するために、初めて使用しています。 さらに,これらのデータを,企業の公開バランスシートデータに関する他の情報と組み合わせる。 アンサンブル技術と無作為林は,Barbozaらの発見を裏付ける最良の結果をもたらすことが判明した(Expert Syst. Appl., 2017)。

関連論文リスト

• Company-as-Tribe: Company Financial Risk Assessment on Tribe-Style Graph with Hierarchical Graph Neural Networks [62.94317686301643]
  企業の金融リスクはユビキタスであり、上場企業に対する早期のリスク評価は、かなりの損失を避けることができる。 従来の手法は主に企業の財務諸表に重点を置いており、企業間の複雑な関係は欠如している。 比較学習を用いて部族の構造パターンを符号化する階層型グラフニューラルネット(TH-GNN)と、トライブ間の関係に基づいて情報を拡散する第2の階層型グラフニューラルネット(TH-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-01-31T09:17:13Z)
• Should Bank Stress Tests Be Fair? [1.370633147306388]
  銀行間でデータをプールすることは銀行を平等に扱うが、2つの欠陥があると主張する。 我々は、銀行間の差異を単に無視するよりも、中心的な銀行固定効果を推定し、破棄することを好んで論じる。
  論文  参考訳（メタデータ） (2022-07-27T06:46:51Z)
• Fighting Money Laundering with Statistics and Machine Learning [95.42181254494287]
  反マネーロンダリングのための統計的および機械学習手法に関する科学的文献はほとんどない。 本研究では,クライアントのリスクプロファイリングと疑わしい行動フラグングという2つの中心的要素を持つ統一用語を提案する。
  論文  参考訳（メタデータ） (2022-01-11T21:31:18Z)
• Solving the Data Sparsity Problem in Predicting the Success of the Startups with Machine Learning Methods [2.939434965353219]
  Crunchbaseからの大きなデータセットを用いた機械学習アルゴリズムについて検討する。 その結果、LightGBMとXGBoostは53.03%、52.96%のスコアを獲得している。 これらの発見は、機械学習手法がスタートアップ企業や投資家にどのように役立つかに大きく影響している。
  論文  参考訳（メタデータ） (2021-12-15T09:21:32Z)
• Feature-Level Fusion of Super-App and Telecommunication Alternative Data Sources for Credit Card Fraud Detection [106.33204064461802]
  クレジットカード不正を早期に検出するための,スーパーアプリ顧客情報,携帯電話回線データ,従来型の信用リスク変数を融合した機能レベルの有効性について検討する。 クレジットカードのデジタルプラットフォームデータベースから約9万人のユーザを対象に,我々のアプローチを評価した。
  論文  参考訳（メタデータ） (2021-11-05T19:10:35Z)
• Adversarial Semi-supervised Learning for Corporate Credit Ratings [1.90365714903665]
  本研究では,企業信用格付けにおける対人的半監督学習の課題について考察する。 第1フェーズでは、通常の機械学習アルゴリズムを用いて通常のレーティングシステムを訓練し、ラベルのないデータ擬似レーティングレベルを与える。 第2フェーズでは、ラベル付きデータと擬似ラベル付きデータとを結合して、逆半教師付き学習を適用する。
  論文  参考訳（メタデータ） (2021-04-04T09:05:53Z)
• BeFair: Addressing Fairness in the Banking Sector [54.08949958349055]
  銀行セクターにおける産業的オープンイノベーションプロジェクトの最初の成果を提示する。 本稿では,MLの公平性に関する一般的なロードマップと,バイアスの特定と緩和を支援するBeFairと呼ばれるツールキットの実装を提案する。
  論文  参考訳（メタデータ） (2021-02-03T16:37:10Z)
• PCAL: A Privacy-preserving Intelligent Credit Risk Modeling Framework Based on Adversarial Learning [111.19576084222345]
  本稿では,PCAL(Adversarial Learning)に基づくプライバシ保護型信用リスクモデリングの枠組みを提案する。 PCALは、ターゲット予測タスクのパフォーマンスの重要なユーティリティ情報を維持しながら、元のデータセット内のプライベート情報を隠蔽することを目的としている。 結果は,PCALがユーザデータから効果的なプライバシフリー表現を学習し,信用リスク分析のためのプライバシ保存機械学習の基盤となることを示唆している。
  論文  参考訳（メタデータ） (2020-10-06T07:04:59Z)
• Societal biases reinforcement through machine learning: A credit scoring perspective [38.437384481171804]
  本稿では、機械学習とAIが社会的偏見の繁栄を確実にするかどうかを分析することを目的とする。 本稿では、顧客の性別や民族性を予測することによって、データの社会的偏見が銀行融資の承認にどのように伝達されるかを分析する。
  論文  参考訳（メタデータ） (2020-06-15T12:40:21Z)
• Super-App Behavioral Patterns in Credit Risk Models: Financial, Statistical and Regulatory Implications [110.54266632357673]
  従来の官僚データとは対照的に、アプリベースのマーケットプレースから派生した代替データが信用スコアモデルに与える影響を提示する。 2つの国にまたがって検証した結果、これらの新たなデータソースは、低体重者や若年者における金融行動を予測するのに特に有用であることが示された。
  論文  参考訳（メタデータ） (2020-05-09T01:32:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。